Citus全表扫描分析

我们知道Citus中，建表的时候要执行分布键，表按分布键分布到不同的worker节点中，当进行全表扫描时，也因为将分布式表分布到了众多的worker节点中，所以在进行全表扫描时，它的结果集顺序是不确定的，因为每次执行的时候，CN节点汇集worke节点的数据时，worker节点到cn节点先后顺序每次都有可能不同，造成了结果集顺序的不同。这一点是需要注意的，与Postgres等非分布式数据库是不太一样的。

Greenplum也是将数据按分布键分布到不同的segments中，所以，在Greenplum中进行全表（分布式表）扫描，同样结果集的顺序会不确定，每次执行的结果顺序可能会不同。

create table dt2(a int, b int)
select create_distributed_table('dt2','a');

insert into dt2 values (1,1), (4,2), (2,3);

-- 第一次执行
postgres@postgres=# select * from dt2;
 a | b 
---+---
 2 | 3
 1 | 1
 4 | 2
(3 rows)
--  第二次执行结果顺序与第一次不同
postgres@postgres=# select * from dt2;
 a | b 
---+---
 1 | 1
 4 | 2
 2 | 3
(3 rows)

-- 加上order by ，每次顺序一致
postgres@postgres=# select * from dt2 order by a;
 a | b 
---+---
 1 | 1
 2 | 3
 4 | 2
(3 rows)

我们看一下其执行计划：

postgres@postgres=# explain select * from dt2;
                                  QUERY PLAN                                  
------------------------------------------------------------------------------
 Custom Scan (Citus Adaptive)  (cost=0.00..0.00 rows=100000 width=8)
   Task Count: 2
   Tasks Shown: All
   ->  Task                  -- worker1 节点
         Node: host=127.0.0.1 port=5433 dbname=postgres
         ->  Seq Scan on dt2_102010 dt2  (cost=0.00..32.60 rows=2260 width=8)
   ->  Task                  -- worker2 节点
         Node: host=127.0.0.1 port=5434 dbname=postgres
         ->  Seq Scan on dt2_102011 dt2  (cost=0.00..32.60 rows=2260 width=8)
(9 rows)

可以看到，其全表扫描的过程，是在CN节点，将任务拆分成每个worker节点可执行的任务。也就是将select * from dt2拆分成了worker1节点执行select * from dt2_102010;和select * from dt2_102011;。 两个worker节点各自在本节点扫描，并将结果集汇集到CN节点。

当然不同的SQL语句，其分布式执行计划是不同的，比如select * from dt2 order by a，

postgres@postgres=# explain select * from dt2 order by a;
                                     QUERY PLAN                                     
------------------------------------------------------------------------------------
 Sort  (cost=8304.82..8554.82 rows=100000 width=8)
   Sort Key: remote_scan.a
   ->  Custom Scan (Citus Adaptive)  (cost=0.00..0.00 rows=100000 width=8)
         Task Count: 2
         Tasks Shown: All
         ->  Task
               Node: host=127.0.0.1 port=5433 dbname=postgres
               ->  Seq Scan on dt2_102010 dt2  (cost=0.00..32.60 rows=2260 width=8)
         ->  Task
               Node: host=127.0.0.1 port=5434 dbname=postgres
               ->  Seq Scan on dt2_102011 dt2  (cost=0.00..32.60 rows=2260 width=8)
(11 rows)